В исследовании представлен метод SimpleFold-Turbo (SFT), который значительно ускоряет процесс предсказания структуры белков, используя технику адаптивного кэширования TeaCache, заимствованную из видеодиффузионных моделей. Авторы обнаружили, что генеративные траектории Flow-Matching обладают высокой избыточностью, что позволяет пропускать до 93% прямых проходов нейронной сети без существенной потери точности. В ходе тестирования на 300 структурно разнообразных доменах CATH и моделях размером от 100 млн до 3 млрд параметров, метод обеспечил ускорение в 9–14 раз при сохранении базовых показателей TM-score. Важным преимуществом является то, что SFT не требует переобучения моделей, модификации весов или использования внешних серверов множественного выравнивания последовательностей (MSA). Масштабируемость метода растет вместе с размером модели, так как накладные расходы на кэширование остаются постоянными. Решение позиционируется как полностью открытое программное обеспечение, позволяющее выполнять тысячи предсказаний структур в час на стандартном потребительском оборудовании.